线性回归起诉山基学习(线性回归)

Question

这是我的场景。

data = [[25593.14, 39426.66],
        [98411.00, 81869.75],
        [71498.80, 62495.80],
        [38068.00, 54774.00],
        [58188.00, 43453.65],
        [10220.00, 18465.25]]

关于数据是我的数据模型。

x-cordinates指“工资”y-cordinates指“费用”

当我给出“工资”时，我想预测费用，也就是X坐标。

这是我的代码样本。请帮帮我。

from sklearn.linear_model import LinearRegression

data = [[25593.14, 39426.66],
        [98411.00, 81869.75],
        [71498.80, 62495.80],
        [38068.00, 54774.00],
        [58188.00, 43453.65],
        [10220.00, 18465.25]]

salary=[]
expenses=[]

for dataset in data:
    # import pdb; pdb.set_trace()
    salary.append(dataset[0])
    expenses.append(dataset[1])

model = LinearRegression()
model.fit(salary, expenses)
prediction = model.predict([10200.00])
print(prediction)

我得到的错误：

ValueError: Expected 2D array, got 1D array instead:
array=[ 25593.14  98411.    71498.8   38068.    58188.    10220.  ].
Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample

。

Answer 1

正如评论中所建议的那样，这样的东西将是处理您想要输入到scikit学习模型中的数据的更好方法。另一个例子是这里。

from sklearn.linear_model import LinearRegression
import numpy as np

data = np.array(
        [[25593.14, 39426.66],
        [98411.00, 81869.75],
        [71498.80, 62495.80],
        [38068.00, 54774.00],
        [58188.00, 43453.65],
        [10220.00, 18465.25]]
).T

salary = data[0].reshape(-1, 1)
expenses = data[1]

model = LinearRegression()
model.fit(salary, expenses)
prediction = model.predict(np.array([10200.00]).reshape(-1, 1))
print(prediction)

Answer 2

快速修复，替换这一行

model.fit(np.array([salary]), np.array([expenses]))

X应该是一个数组，array([arr1,arr2,array3,...])相同的arr1和arr2是至少一个特性的数组，对于y，它应该是一个包含值array[label1,label2,label3,...]列表的数组。